Модуль 1. Архитектура ИИ-агентов и работа с инструментами
- Что такое ИИ-агент. Отличия agentic-системы от чат-бота, RAG-приложения и детерминированного workflow.
- Базовые компоненты: LLM, system instructions, context, tools, state, memory, orchestration.
- Выбор модели и провайдер-независимый подход. Облачные, российские и локальные LLM.
- Structured output, function calling / tool use. Схемы входных и выходных данных.
- Контракты инструментов, валидация, обработка ошибок, retries и ограничения полномочий.
- Практика: реализация первого агента, который принимает задачу, выбирает инструмент, вызывает REST/API-функцию и возвращает структурированный результат.
Модуль 2. Корпоративные данные, RAG и Context Engineering
- Контекст как часть архитектуры: инструкции, история, память, документы, результаты инструментов.
- RAG pipeline: загрузка и подготовка данных, chunking, embeddings, индексирование, retrieval и reranking.
- Подключение документов, SQL, внутренних API и баз знаний.
- Краткосрочная и долгосрочная память. Что действительно стоит сохранять.
- Управление объёмом контекста, latency и стоимостью запросов.
- MCP как стандарт подключения моделей и агентов к данным и инструментам. Границы доверия, authentication и secrets.
- Практика: агент, который использует корпоративную базу знаний и внешний инструмент/API для подготовки ответа.
Модуль 3. Оркестрация, состояние и многошаговые процессы
- Когда нужен agent loop, а когда явный workflow. Управляемая автономность.
- State machine / graph-based orchestration. Состояние процесса, переходы, checkpoints и восстановление после ошибок.
- Human-in-the-loop: подтверждения, эскалации и ручные контрольные точки.
- Long-running задачи, асинхронная обработка, очереди сообщений и повторная доставка.
- Multi-agent patterns: supervisor, specialist agents, delegation и handoff. Когда несколько агентов ухудшают систему.
- A2A и взаимодействие между агентами в распределённой среде.
- Практика: многошаговый agentic-workflow с состоянием, повторными попытками и подтверждением критического действия человеком.
Модуль 4. Качество, безопасность и наблюдаемость
- Evals для agentic-систем: тестовые наборы, критерии качества, task success rate, regression testing.
- Tracing и observability: цепочки вызовов, tool calls, latency, token usage, ошибки и стоимость.
- Prompt injection, indirect prompt injection, tool abuse и data leakage.
- RBAC, принцип минимальных привилегий, secrets management, работа с PII и аудит действий.
- Guardrails: проверки входа и выхода, policy checks, подтверждение рискованных операций.
- Reliability: timeouts, retries, circuit breaker, fallback-модели, graceful degradation и model routing.
- Практика: добавление eval-набора, трассировки, защитных проверок и сценариев отказа в созданный ранее агент.
Модуль 5. Production-ready AI Agent и итоговый корпоративный кейс
- Архитектура agent service: API, слои приложения, хранилища, очереди, кэш и интеграции.
- Контейнеризация и варианты развёртывания. Cloud и on-premise контуры.
- Масштабирование, rate limits, concurrency, latency budget и контроль расходов на модели.
- Версионирование prompts, tools и eval-наборов. Безопасное изменение модели и конфигурации.
- Production checklist: мониторинг, алерты, журналирование, безопасность, SLA/SLO и эксплуатационная документация.
- Итоговая практика: проектирование и сборка корпоративного AI-агента от постановки задачи до демонстрации работающего прототипа и архитектурной защиты решения.
Используемые технологии и инструменты
Курс строится вокруг архитектурных принципов, поэтому конкретный стек может адаптироваться под инфраструктуру заказчика. В базовом варианте используются: Python, FastAPI, Pydantic, LLM API, function calling / tool use, MCP, RAG, PostgreSQL/pgvector или векторное хранилище, graph-based orchestration (например, LangGraph), OpenTelemetry/Langfuse и Docker.
Практический формат
- Около 60% времени — практика, разбор кода и инженерных сценариев; около 40% — теория и архитектурные решения.
- Сквозной кейс развивается в течение всех пяти дней: от простого tool-calling агента до наблюдаемого и защищённого production-ready сервиса.
- Практические задания можно адаптировать под отрасль заказчика: IT/SRE, работа с документами, внутренние сервисы, аналитика, support или операционные процессы.
- В конце курса участники защищают итоговое решение: архитектура, data flow, ограничения, безопасность, качество и эксплуатационная модель.
Итоговые артефакты участника
- рабочий прототип корпоративного ИИ-агента;
- набор подключённых tools / integrations и схема их контрактов;
- RAG или иной контур работы с корпоративным контекстом;
- stateful workflow с обработкой ошибок и контрольными точками;
- минимальный eval-набор и tracing/observability;
- архитектурная схема и production checklist для дальнейшего развития решения.